追知工科：把AI先塞进一个打磨工位 (2026)

先看结论

7 月中旬，上海追知工程科技有限公司完成数千万元人民币种子轮融资，投资方包括 L2F 光源创业者基金、一村资本和尚融资本。它押注的不是通用人形机器人，而是把 AI 塞进制造业的一道具体工序：打磨、去毛刺等表面处理。公司已经与一家 A 股上市公司完成首单合作并交付，另有媒体披露其拿到航空制造领域千万级订单。1 2

这家公司的可学之处，不在于把「工业智能体」讲得多大，而在于先找到一块客户愿意付钱、交付结果又能被验收的工位。对早期硬科技创业来说，首单交付比一张宏大的产品路线图更能说明问题。

公司是谁：一米宽，一千米深

追知工科公开给自己的定位是「垂域工业智能体」，首款产品面向表面处理。它让机器人执行打磨、去毛刺等动作，同时由自研工业大脑持续感知加工状态，调整工艺和运动参数，形成一个实时闭环。TMT 报道将其产品称为 WOLIF Industrial Agentic Robot，并称第一代表面处理工业智能体 FAST 和 AI 工业控制体系已在航空零部件制造等高精度场景完成验证。2

这条路线的取舍很清楚：先不解决所有工厂的所有问题，只解决材料加工制程里的一个窄问题。表面处理也不是小玩具。人民网报道援引的行业数据称，国内相关打磨行业产业工人超过 300 万人，年用工成本超过 3000 亿元，整体自动化率不足 10%。1

卖给谁，怎么赚钱

客户是谁

当前公开信息指向两类客户：需要处理复杂表面工艺的制造企业，以及对精度、稳定性要求更高的航空零部件制造企业。已披露的首个客户是一家 A 股上市公司，但公司名称没有公开。航空制造领域的订单金额被报道为千万级，具体合同条款、交付规模和收入确认方式没有披露。2

收入从哪里来

人民网报道提到，追知工科设计的是「硬件本体 + 工业大脑 + 工艺数据服务」模式。1 这个组合可以拆成三层：

层次	客户买到的东西	对商业化的意义
硬件本体	能进入产线工作的机器人和工位系统	先以项目或设备收入完成第一次成交
工业大脑	对加工状态做感知、判断和参数调整的控制能力	让产品从固定动作升级为能适应现场变化的系统
工艺数据服务	围绕特定材料、零件和工艺持续积累的数据能力	有机会从一次性交付延伸到后续调试、升级和复制

后两层能否形成稳定的订阅或服务收入，公开材料还没有证明。现在能确认的是商业模式的设计方向，以及已经完成的首单交付；单台设备价格、软件收费方式、服务费占比和毛利率都未披露。把「有数据服务」直接写成「已经拥有高毛利经常性收入」，就超出了证据。

增长怎么起来的

追知工科目前呈现出的路径，可以画成一条很朴素的链条：

先选成本高、自动化率低的工序。 打磨和去毛刺既消耗人工，又容易受到材料、姿态和现场条件影响，客户能直接感受到效率、良率和用工变化。行业规模数据来自人民网报道，具体到单个客户的损失和预算仍未知。1
用首单把算法问题变成交付问题。 追知工科已完成一家 A 股上市公司的首单交付，这至少说明产品进入过真实生产环境，而不是停在演示阶段。交付后的节拍、良率、停机时间和回本周期没有公开，所以暂时不能判断项目是否已经达到可复制水平。1
用高精度场景建立样板。 航空零部件制造被报道为其验证场景，航空制造领域也有千万级订单披露。高要求场景可能带来更有说服力的案例，但通常也意味着认证、交付和售后周期更长。前半句是已披露事实，后半句是对这类业务的经营判断。2
把单点工艺变成产品矩阵。 公司称融资将用于升级表面处理产品、研发垂域工艺智能和产品矩阵。若后续能把一套工艺数据、控制策略和交付方法迁移到相邻场景，增长才会从「多做项目」变成「复制同一种能力」。这一步目前属于公司的规划，不是已经验证的增长结果。1

关键指标：先盯交付，再谈规模

公司尚未公开收入、毛利、客户复购率和设备利用率。分析这类创业公司，建议优先追踪下面几组数：

单工位经济性：一套设备从硬件、集成、现场调试到售后的总成本，多久能收回。没有这个数字，千万级订单不等于高质量收入。
部署到稳定生产的时间：客户签约后，多久能达到承诺的节拍和良率。工业 AI 的价值不是模型跑通，而是产线能稳定运行。
工艺复用率：新材料、新零件或新客户需要重做多少工作。复用率越高，产品矩阵越可能摆脱纯定制项目。
扩单与服务收入：首单后是否增加工位、增加工序，是否产生持续的软件和工艺服务费。这是判断增长飞轮有没有转起来的关键。

风险与可抄作业点

最大的风险是「硬件本体 + 工业大脑 + 工艺数据服务」很容易变成每个客户一套方案。工厂的零件、材料、夹具和验收标准各不相同，交付团队如果不断靠人肉调参，收入增长会被项目成本吃掉。

第二个风险是责任边界。航空等高精度场景对质量稳定性要求高，AI 控制系统一旦出现误判，影响的不只是一次推理结果，还可能涉及停线、返工和安全责任。公开报道没有披露追知工科的故障率、良率改善、责任保险或质保条款，这些都需要后续验证。

如果要把这家公司的做法抄到自己的行业，能抄的是路径，不是「工业智能体」四个字：

选一项人工成本高、结果可量化、自动化率仍低的具体工序。
先拿一个真实客户做交付，记录节拍、良率、停机和回本周期。
把现场调参沉淀为控制策略、工艺数据和标准化模块，减少下一单的定制工作。
对外公布能被客户和投资人复核的经营指标，而不只讲模型、融资和场景想象。

追知工科已经证明了「有人愿意让它进厂」；下一道更难的验证，是同一套能力能否在第二个、第三个工厂里稳定复制。其收入、毛利和复购数据尚未公开，这也是这家公司接下来最值得盯的地方。

追知工科：把AI先塞进一个打磨工位